5
Universitas Kristen Petra
6
dengan yang lain mempunyai perbedaan dalam hal penyediaan hasil yang
diinginkan (kelengkapan detail) hingga tingkat kesulitan dalam penyelesaian
perencanaan site layout.
Perencanaan site layout dapat diklasifikasikan berdasarkan dua aspek : (1)
method of facility assignment, dan (2) layout planning technique. Pada method of
facility assignment, di mana fasilitas-fasilitas sementara ditentukan pada site,
terdapat dua macam metode. Metode yang pertama disebut facility to location
assignment. Pada metode facility to location assignment ditentukan sebuah set
predefined facilities pada sebuah set predefined locations, sehingga jumlah lokasi
yang tersedia harus lebih dari sama dengan jumlah fasilitas yang ada. Metode yang
kedua disebut facility to site assignment. Pada metode facility to site assignment
ditentukan sebuah set predefined facilities pada beberapa unocuppied space yang
masih tersedia/belum ditempati pada site.
Pada metode facility to location assignment terdapat satu hal yang
terabaikan, yaitu ukuran fasilitas. Semua lokasi diasumsikan dapat sesuai (fit)
terhadap semua fasilitas. Asumsi ini merupakan kelemahan metode facility to
location assignment karena pada kenyataan selalu terdapat perbedaan substansial
dalam ukuran fasilitas pada site. Metode ini dapat lebih generik apabila
diasumsikan perencana site layout belum mengatur lokasi yang feasible untuk
penempatan fasilitas. Selain itu, pada metode facility to location assignment
kebutuhan akan ruang perlu dipenuhi secara simultan.
Pada metode facility to site assignment memperhatikan teknik yang
digunakan untuk melakukan proses assignment fasilitas-fasilitas sementara.
Berbagai teknik telah digunakan untuk melakukan proses assignment, mulai dari
matematika murni hingga knowledge-based system. Tetapi, peneliti-peneliti belum
menemukan teknik yang paling sesuai di antara teknik yang sudah ada, yang
digunakan untuk melakukan proses assignment ini.
Teknik matematika yang digunakan untuk proses assignment biasanya
melibatkan identifikasi dari satu atau lebih tujuan yang diusahakan dapat tercapai.
Tujuan utama yang biasanya diusahakan untuk tercapai adalah minimalisasi biaya
transportasi pada site. Tujuan-tujuan perencanaan site layout biasanya
diterjemahkan ke teknik matematika menjadi fungsi objektif. Berikut adalah
Beberapa hal di atas ini yang menyebabkan perlu adanya dynamic model
dalam suatu perencanaan site layout.
CAD telah banyak digunakan dalam bidang konstruksi sejak akhir 1980.
Hal ini menjadi tidak dapat dihindarkan dalam disiplin teknik. Tetapi, penggunaan
aplikasi CAD pada proyek konstruksi tertinggal di belakang penggunaan CAD
untuk menggambar desain.
Menyadari potensial CAD, Mahoney dan Tatum membuat laporan
mengenai keuntungan dalam penggunaan CAD dalam mengatur dan merencanakan
berbagai site construction operations. Mahoney dan Tatum mengusulkan CAD
dapat digunakan untuk merencanakan site layout konstruksi, sehingga didapat
suatu sistem yang dapat memudahkan dan membuat visualisasi yang lebih akurat
antara hubungan bangunan permanen dengan fasilitas-fasilitas sementara pada site.
Site boundaries, bangunan yang sudah ada pada site, fasilitas-fasilitas
sementara semua memerlukan space dan mempunyai bentuk yang berbeda antara
yang satu dengan yang lain. Oleh karena itu, kebutuhan untuk menunjukkan
hubungan antara hal-hal di atas tersebut secara grafik dapat sangat berguna. Untuk
alasan tertentu, Cheng dan O’Connor menggunakan Geographical Information
System (GIS) untuk membantu melambangkan grafik pada permasalahan site
layout. Tetapi, implementasi secara penuh pada CAD-based site layout planning
systems, terutama yang menggunakan teknik matematika, masih terbatas
kemampuannya sampai sekarang.
Penelitian terakhir memperkenalkan pendekatan untuk memcahkan masalah
perencanaan site layout. Penelitian ini menggunakan General Algorithms (GA),
sebagai function optimizers, dalam menentukan lokasi fasilitas sementara berdasar
informasi grafik yang menggambarkan lingkungan CAD. Berdasarkan klasifikasi
yang telah dijelaskan di atas, pendekatan ini melakukan facility to site assignment
menggunakan mathematical site layout planning.
Secara sederhana GAs merupakan algoritma yang menyampaikan pesan
dalam bentuk kode solusi yang potensial pada masalah yang spesifik dalam
kromosom sederhana seperti struktur data dan melakukan rekombinasi pada
struktur sehingga dapat memperbaiki solusi. Karena karakteristik GAs yang tidak
menggunakan informasi gradien, GAs dapat diaplikasikan pada masalah yang
mempunyai fungsi yang non-differentiable dan juga fungsi yang mempunyai
multiple local optima.
Tabel 2.1. Fungsi objektif yang digunakan dalam literatur ( Osman, 1997)
No Pseudo model of objective function
1 To minimize the frequency of trips made by construction personnel
2 To minimize the total transportation costs of resources between facilities
To minimize the cost of facility contruction and the interactive between
3 facilities
4 To minimize the total transportation costs of resources between facilities and
the total relocation costs
Fungsi objektif yang digunakan pada beberapa model pada tabel 2.1
menggunakan general form :
P −1 P
Min: ∑ ∑ Wi j d i , j
i =1 j =i +1
(Sumber : CAD based dynamic layout planning of construction sites using
genetic algorithms)
Di mana P adalah jumlah dari fasilitas permanen dan fasilitas sementara yang
ada pada site; i,j adalah pasangan yang pasti antara fasilitas permanen
dengan/atau fasilitas sementara pada site; d i, j adalah jarak antar fasilitas i dan
j; W i, j merupakan term yang mewakili biaya transportasi aktual per unit jarak
Tabel 2.2. Skala yang biasa digunakan dalam perencanaan site layout
(Askin and Stanridge, 1993)
Desired relationship between Proximity
facilities Weight
Absolutely Necessary (A) 81
Especially Important (E) 27
Important (I) 9
Ordinary Closeness (O) 3
Unimportant (U) 1
Undesirable (X) 0
Tabel 2.3. Uraian main data yang diperlukan dalam sistem Integrated CAD-based
Data Keterangan
Data gambar site Gambar site layout proyek dalam bentuk CAD yang
layout menunjukkan fasilitas-fasilitas permanen dari proyek.
Data fasilitas-fasilitas Fasilitas-fasilitas sementara yang diperlukan beserta
sementara data-datanya, termasuk ukuran tiap-tiap fasilitas dan
letaknya mula-mula.
Data nilai kedekatan Nilai kedekatan antar fasilitas proyek, baik fasilitas
sementara maupun permanen dari suatu proyek.
Pada space discretization, space dalam bentuk 2-D yang dikelilingi oleh
boundaries dari site konstruksi dibagi menjadi orthogonal X-Y grid. Kemudian,
grid ini dikode, di mana setiap grid mempunyai koordinat (X,Y) yang berbeda-
beda.
Tingkat keakurasian yang dibutuhkan dalam penempatan fasilitas
menunjukkan penambahan atau tingkat dari othogonal grid. Misalnya, jika
fasilitas-fasilitas yang dibutuhkan untuk diletakkan pada site dengan akurasi 2m,
maka space discretization dilakukan seperti gambar 3 sebelah kiri.
Setelah pengkodean grid selesai, grid cells dengan unoccupied space
diidentifikasi, di mana uccopied space tidak termasuk dalam keseluruhan set.
Selain itu, pengkodean grid menggunakan koordinat (X,Y) membentuk building
block dari GA string coding.
Selama space detection, CAD melakukan dua langkah utama, yaitu: (1)
identifikasi space yang dikelilingi oleh site boundaries, dan (2) identifikasi dari
fasilitas permanen dan obstacles.
3) Dengan mengunci koordinat dari semua grid points dalam bounding box
dari site boundary, CAD memilih grid points yang dapat memenuhi secara
simultan semua pertidaksamaan linear yang menunjukkan grid spaces yang
dikelilingi oleh site boundary. Semua grid points yang tidak memenuhi
pertidaksamaan linear akan diletakkan di luar site boundary.
2.5.1.1.3. Ilustrasi
Untuk mengilustrasikan proses dari space detection, dapat dilihat contoh
pada gambar 2.2. Mengikuti identifikasi dari site boundaries sebagai satu set
persamaan linear, space dikelilingi oleh lima ujung dari site boundary dapat
diidentifikasikan sebagai space yang memenuhi semua pertidaksamaan secara
simultan:
sementara yang satu dengan fasilitas sementara yang lain atau antar fasilitas
sementara dengan fasilitas permanen.
Untuk memenuhi constraint geometrik, dapat dimanfaatkan dua cara, yaitu:
(1) checksite module dan (2) check overlap module. Kedua cara ini telah didesain
supaya dapat mengatasi fasilitas-fasilitas sementara yang mempunyai bentuk
rectangular.
2.5.2.2.Initialization of population
Proses GA diawali dengan initial population of solution. Banyaknya initial
solutions yang dihasilkan mempengaruhi sukses atau tidaknya GA dalam mencapai
tujuan/goal. Peningkatan ukuran populasi mengakibatkan GA:
1. Mengalami peningkatan waktu yang dibutuhkan untuk menghasilkan
populasi yang baru.
2. Menyebabkan convergence rate menjadi lambat.
3. Menyebabkan GA mendapatkan solusi optimum yang lebih banyak
Untuk membantu GA dalam melakukan blind search, sedikit penambahan
populasi dilakukan dalam proses optimasi. Selain bekerja dengan populasi yang
besar melalui GA, initial population dipilih sebagai n solusi terbaik dari sebuah
initial pool of n solutions, di mana n adalah subset dari N. Berikut adalah langkah-
langkah yang dilakukan dalam proses penambahan ini:
1. Menghasilkan secara acak initial pool of solutions N.
2. Memilih n solusi terbaik dari initial pool sebagai populasi pertama.
3. Memulai GA.
Jadi, GA memberi keuntungan dari kehadiran dari initial population yang
besar yang membantu pencarian secara acak tanpa harus membayar large
computational penalty dengan melakukan dealing dengan populasi yang besar tiap
proses generasi.
2.5.2.3. GA generations
Proses generasi yang dilakukan pada tugas akhir ini adalah steady-state
generation. Traditional GAs bergerak dari generasi (i) ke generasi (i+1) melalui
generasi dari populasi baru. Steady-state generation bergerak dari satu generasi ke
generasi berikutnya melalui pengenalan offspring baru untuk menggantikan solusi
terburuk pada populasi. Apabila offspring baru tidak lebih baik dari solusi terburuk,
maka offspring tersebut tidak diperhatikan, dan offspring baru lainnya dipilih.
Penelitian sebelumnya telah berhasil memanfaatkan steady-state generation dalam
menangani masalah optimasi site layout.
Eliminasi offspring terburuk berarti solusi baru telah dihasilkan, dan
keseluruhan populasi akan mengalami peningkatan. Generasi dari offspring baru
mengikutsertakan tiga operator genetik tradisional:
Di mana Min adalah solusi minimum pada populasi terakhir, Max adalah solusi
maksimum pada populasi terakhir, dan Convergence value tergantung user
(biasanya 5-10%)
Selama melakukan eksperimen dengan GA, ditemukan bahwa modifikasi
mutation operator membantu GA untuk mencapai lebih banyak solusi optimum.
Sebaliknya, hal ini menyebabkan proses konvergen yang lebih lambat.